Python sklearn Hyperparameter用法及代码示例

本文简要介绍python语言中 sklearn.gaussian_process.kernels.Hyperparameter 的用法。

用法:

class sklearn.gaussian_process.kernels.Hyperparameter(name, value_type, bounds, n_elements=1, fixed=None)

以命名元组形式的内核超参数规范。

属性：

name：str

超参数的名称。请注意，使用名称为 “x” 的超参数的内核必须具有 self.x 和 self.x_bounds 属性

value_type：str

超参数的类型。目前，仅支持 “numeric” 超参数。

bounds：一对浮点数 >= 0 或 “fixed”

参数的下限和上限。如果 n_elements>1，则可以交替给出一对具有 n_elements 的 1d 数组。如果字符串 “fixed” 作为边界传递，则无法更改超参数的值。

n_elements：整数，默认=1

超参数值的元素个数。默认为 1，对应于标量超参数。 n_elements > 1对应于vector-valued的超参数，例如各向异性length-scales。

fixed：布尔，默认=无

该超参数的值是否固定，即在超参数调整期间不能更改。如果 None 被传递，“fixed” 是根据给定的界限派生的。

例子：

>>> from sklearn.gaussian_process.kernels import ConstantKernel
>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import Hyperparameter
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ConstantKernel(constant_value=1.0,
...    constant_value_bounds=(0.0, 10.0))

我们可以访问每个超参数：

>>> for hyperparameter in kernel.hyperparameters:
...    print(hyperparameter)
Hyperparameter(name='constant_value', value_type='numeric',
bounds=array([[ 0., 10.]]), n_elements=1, fixed=False)

>>> params = kernel.get_params()
>>> for key in sorted(params): print(f"{key} : {params[key]}")
constant_value : 1.0
constant_value_bounds : (0.0, 10.0)